TL;DR
· Seorang pengusaha AI mengatakan bahwa agen penulis kode sedang mengubah urutan kemampuan karier awal.
· Tugas yang dapat dinilai lebih cocok untuk model, manusia harus belajar menilai masalah, mengalokasikan waktu dan alat.
· Imbalan tunai bukan satu-satunya tujuan; hubungan, reputasi, dan kualitas pengiriman akan membuat perbedaan.

Seorang pengusaha yang menurut pengakuannya pernah bekerja di Scale AI, DeepMind, OpenAI, Google, dan lain-lain, kini terlibat dalam perusahaan yang berfokus pada agen asli, menulis ulang saran karier untuk anak muda dalam sebuah esai panjang berbahasa Inggris. Latar belakangnya adalah bahwa alat pengkodean AI telah beralih dari melengkapi kode menjadi agen rekayasa perangkat lunak yang lebih lengkap. Ketika OpenAI merilis Codex pada tahun 2025, mereka mengatakan bahwa ia dapat menangani tugas-tugas seperti menulis fitur, memperbaiki bug, mengajukan PR, dan lainnya secara paralel di cloud, namun tetap memerlukan tinjauan dan verifikasi manual. Pertanyaannya kemudian menjadi: ketika jawaban standar, kode biasa, dan tugas yang dapat dinilai menjadi semakin murah, di manakah anak muda seharusnya menghabiskan waktu mereka?

Inti dari artikel ini bukanlah "programmer akan digantikan", melainkan bahwa standar seleksi karier awal sedang berubah. Sekolah dan wawancara tradisional banyak melatih soal-soal yang terdefinisi dengan jelas, memiliki jawaban pasti, dan dapat dinilai, dan inilah area di mana model berkembang paling cepat. Yang lebih dapat membedakan orang di masa depan mungkin adalah menemukan masalah penting, memilih lingkungan bernilai tinggi, membangun reputasi tepercaya, dan terus mengasah hasil antara yang dihasilkan agen hingga dapat dikirimkan.

Tawaran tunai bukan lagi satu-satunya jawaban, waktu dan reputasi lebih langka

Dalam penilaian penulis, dalam lingkungan startup AI, modal dan alat lebih mudah diperoleh daripada sebelumnya, namun waktu berkualitas tinggi, hubungan yang kuat, dan reputasi tepercaya masih langka.

Ia menjelaskan hal ini dengan pengalaman pribadinya. Sebelum bergabung dengan Scale AI, ia mengaku pernah menerima tawaran posisi kuantitatif dengan jaminan tunai lebih tinggi, namun akhirnya memilih Scale karena ada komunitas yang lebih kuat, skenario produk yang lebih luas, dan lebih banyak kesempatan untuk menyentuh masalah-masalah mutakhir. Menurut ingatannya, melalui Scale ia kemudian berkenalan dengan pemasok inferensi model besar, mendapatkan kesempatan di DeepMind dan OpenAI, serta bertemu dengan rekan-rekan yang kemudian menjadi pendiri startup.

Pengalaman ini tidak bisa diekstrapolasi secara sederhana menjadi formula karier bagi semua orang, namun peringatan yang diberikan sangat langsung: pilihan karier awal tidak boleh hanya melihat uang tunai di depan mata. Terutama setelah AI menurunkan hambatan dalam membangun perangkat lunak, membuat alat kecil yang menghasilkan uang dengan cepat bukan lagi hal yang langka. Imbalan jangka panjang sering kali berasal dari masalah yang lebih sulit, kelompok orang yang lebih kuat, dan sinyal resume yang lebih tepercaya.

Yang perlu ditanyakan anak muda bukanlah "kesempatan mana yang langsung memberi lebih banyak uang", melainkan apakah hal ini layak untuk diinvestasikan waktu, apakah bisa dilakukan bersama orang-orang hebat, apakah pekerjaan baik mereka dapat dilihat oleh orang yang dapat dipercaya, dan apakah hal itu akan menjadi dasar kredit untuk kesempatan berikutnya.

Nilai insinyur bergeser dari "memecahkan soal" menjadi "menemukan soal"

Ketika agen dapat menangani semakin banyak masalah dengan batasan yang jelas, nilai insinyur tidak lagi hanya "apakah bisa memecahkan", melainkan "apakah bisa memilih soal yang tepat".

Penulis menyebutkan bahwa tim mereka mendesain ulang metode wawancara. Alasannya, jika dalam pekerjaan nyata tidak perlu lagi menulis setiap baris kode secara manual, maka sekadar menguji soal algoritma dan desain sistem tradisional akan berkurang korelasinya dengan kinerja kerja. Tes yang lebih bermakna adalah melihat apakah kandidat dapat dengan cepat memahami lingkungan, menemukan masalah yang layak dipecahkan, lalu menggunakan alat AI dan sumber daya eksternal untuk mendorong hasil.

Ini juga merupakan pembagian kerja baru setelah agen menulis kode. Model unggul dalam menangani tugas dengan tujuan jelas dan umpan balik yang jelas; manusia perlu menilai masalah apa yang penting, jalur mana yang layak dicoba, berapa banyak waktu dan biaya panggilan model yang harus diinvestasikan.

Bagi siswa, kemampuan AI mengerjakan PR mungkin menimbulkan frustrasi. Namun dari sudut pandang rekrutmen, perbedaan antar kandidat tidak hilang. Meskipun semua bisa mendapatkan jawaban dengan AI, ada yang memerlukan banyak trial and error dan prompt, sementara yang lain dapat berkolaborasi dengan agen dengan membawa intuisi bisnis, latar belakang teknis, dan konteks, menemukan arah lebih cepat.

Yang disebut "bisa menggunakan AI" bukan sekadar melemparkan masalah ke model. Kemampuan yang lebih kuat mencakup memecah masalah, mengidentifikasi informasi yang hilang, menilai kapan harus terus iterasi dan kapan harus berganti jalur, serta memeriksa apakah hasil benar-benar menyelesaikan kontradiksi kunci dalam bisnis atau teknologi.

Semakin mudah membuat perangkat lunak, semakin harus mendekati masalah yang lebih sulit

AI menurunkan hambatan dalam membangun perangkat lunak, juga membuat sistem sederhana lebih mudah ditiru. Penulis meminjam "bitter lesson" dalam penelitian pembelajaran mesin untuk menjelaskan pilihan karier: dalam jangka panjang, memperluas metode umum sering kali lebih baik daripada melakukan optimasi rumit untuk satu tugas.

Diterapkan pada perusahaan dan karier individu, ini berarti parit dari output sederhana akan menipis. Semua orang lebih mudah membuat sistem yang tampaknya dapat digunakan, namun nilai yang benar-benar tahan lama justru terkonsentrasi pada masalah yang cukup sulit dan cukup ambisius.

Saat memilih perusahaan, kriteria yang diberikan penulis adalah: apakah perusahaan ini sedang memecahkan versi paling ambisius dari masalah tersebut, dan apakah benar-benar memiliki kesempatan untuk memecahkannya. Saat memilih posisi, lihat apakah peran ini memungkinkan seseorang terlibat langsung dengan masalah mutakhir yang sedang dipecahkan perusahaan.

Ia juga menyebutkan, jangan hanya melihat apakah produk awal cantik atau demo memukau. Menurut penilaian subjektifnya, demo awal Anthropic saat itu hanya berupa Slackbot yang tidak lebih baik dari ChatGPT, namun hal ini tidak menghentikan perusahaan untuk kemudian menuju jalur yang sama sekali berbeda. Perusahaan awal akan berubah, produk akan berubah; kualitas tim, ruang pasar, dan tingkat kesulitan masalah lebih memengaruhi hasil jangka panjang.

Kesempatan karier juga mengikuti logika serupa. Kesempatan berkualitas tinggi tidak selalu berubah menjadi hasil, namun seseorang harus terlebih dahulu berada di posisi di mana ia bisa melihat kesempatan. Apakah bisa sampai di sana masih bergantung pada kemampuan, reputasi yang terakumulasi dalam jangka panjang, serta apakah orang lain bersedia memberitahukan kesempatan itu kepadanya.

Hasil biasa lebih murah, 10% terakhir lebih berharga

Ketika satu prompt sederhana dapat membuat agen menghasilkan hasil berkualitas menengah, nilai output biasa akan menurun, dan nilai polesan tahap akhir akan meningkat.

Artikel tersebut mengutip pernyataan Alfred Lin dari Sequoia Capital bahwa 10% terakhir sering kali merupakan 90% dari pekerjaan dan juga 90% dari imbalan. Di era AI, pernyataan ini terasa lebih nyata. Karena hasil 70 poin semakin mudah diperoleh, yang benar-benar membedakan orang adalah perspektif unik, perhatian terhadap detail, kemampuan iterasi, kualitas arsitektur, skalabilitas, dan kreativitas.

Output AI versi pertama jarang langsung sempurna. Pekerjaan sesungguhnya sering terjadi dalam iterasi selanjutnya: menemukan di mana yang salah, bagian mana yang perlu direfaktor, pengalaman apa yang tidak lancar, kasus batas apa yang belum tercover, kapan harus menggunakan model generasi berikutnya untuk mengulang dari awal.

Kemampuan ini dapat dilatih melalui proyek, magang, dan pekerjaan nyata. Meluangkan sedikit lebih banyak waktu untuk memoles, membuat arsitektur bersih, memikirkan skalabilitas, dan membuat detail hingga pengguna benar-benar mau menggunakannya, semuanya akan meninggalkan jejak dalam portofolio dan wawancara.

Kemampuan rekayasa tradisional tidak kehilangan efektivitas. Perubahannya adalah bahwa kelangkaan menulis kode itu sendiri menurun, sementara penilaian, estetika, pemahaman sistem, dan kualitas pengiriman menjadi lebih mahal. AI dapat membawa lebih banyak orang ke level menengah, namun sebagian kecil celah yang tersisa justru semakin sulit ditutup.

Hambatan untuk penelitian menurun, tetapi penelitian bukanlah sebuah gelar

Bagian terakhir artikel memperluas diskusi ke "bagaimana memasuki penelitian". Penulis berpendapat bahwa AI tidak membuat penelitian hanya milik laboratorium top, malah menurunkan hambatan masuk awal.

Penelitian modern tentu lebih bergantung pada daya komputasi, namun titik awal bisa sangat sederhana: menggunakan model yang ada, mengubah intuisi menjadi evaluasi, berpartisipasi dalam papan peringkat optimasi publik, memanfaatkan kredit yang diberikan platform cloud kepada siswa dan peneliti, dan menguji ide sedini mungkin. Sebagian besar ide akhirnya akan gagal saat diperbesar, tetapi memahami kegagalan adalah bagian dari membangun penilaian penelitian.

Peneliti pertama-tama adalah cara bekerja, bukan sekadar jabatan. Penelitian di laboratorium mutakhir sering kali mencampurkan rasa ingin tahu, mencoba ide baru, berinteraksi dengan infrastruktur, memahami detail sistem, debugging cepat, serta menjelaskan nilai hasil untuk mendapatkan lebih banyak sumber daya. Banyak pelatihan tidak perlu menunggu hingga mendapatkan gelar "peneliti" untuk dimulai.

Saran karier yang ditinggalkan artikel ini tidak pesimistis. AI membuat jawaban standar, kode biasa, dan tugas yang dapat dinilai lebih murah, juga memungkinkan anak muda lebih awal bersentuhan dengan masalah nyata. Kesempatan masih ada, hanya cara distribusinya berubah: siapa yang bisa menemukan masalah penting, memasuki lingkungan berkualitas tinggi, mengakumulasi reputasi tepercaya, dan mendorong hasil hingga kilometer terakhir, akan lebih mudah mendapatkan kesempatan berikutnya.

Klik untuk mengetahui posisi yang sedang dibuka di BlockBeats

Selamat datang untuk bergabung dengan komunitas resmi BlockBeats:

Telegram grup berlangganan: https://t.me/theblockbeats

Telegram grup diskusi: https://t.me/BlockBeats_App

Akun Twitter resmi: https://twitter.com/BlockBeatsAsia